一种注意力专家嵌入的基于流量的生成模型的混合体,用于在单细胞RNA-Seq数据集中创建合成细胞

科学领域:

• 计算生物学 计算生物学
• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.

背景情况:

• 单细胞RNA测序 (scRNAseq) 对于理解组织中的细胞异质性至关重要,特别是在癌症研究中.
• scRNAseq数据提出了诸如高维度,稀疏性和不平衡的细胞类型分布等挑战,需要先进的计算方法.
• 生成模型,包括变异自编码器 (VAE) 和生成对抗网络 (GAN),越来越多地用于解决scRNAseq数据处理中的这些挑战.

研究的目的:

• 开发和评估新的基于流 (FB) 的生成模型,用于scRNAseq数据分析.
• 将FB模型的性能与VAE和GANs等既定生成技术进行比较.
• 为开发自动化 scRNAseq 数据分析系统提供指导.

主要方法:

• 在MAF-FB的基础上,开发了一种掩盖的亲缘自动回归转换嵌入式FB (MAF-FB) 模型和专家混合 (MOE) 的注意力机制,创建了MOE-FB模型.
• 通过使用胰腺组织,外周血液单核细胞 (PBMC) 和人类细胞图谱骨髓数据集进行大规模比较分析.
• 使用差异指标,自动细胞类型分类,差异基因表达分析和细胞与细胞相互作用推断来评估模型性能.

主要成果:

• 提出的FB模型,特别是MOE-FB,在所有测试的指标上都始终表现优于VAE,GAN,高斯斯和ACTIVA.
• 在集成的胰腺数据集上,MOE-FB在细胞类型分类方面取得了高准确性 (F1分数0.90,精度0.89,回忆0.92).
• MOE-FB生成了生物相关的合成数据,推断的细胞相互作用与原始数据非常相似 (RMSE 0.65).

结论:

• 基于流量的生成模型,特别是MOE-FB,为scRNAseq数据分析提供了有希望和有效的方法.
• MOE-FB在处理scRNAseq数据挑战方面表现出卓越的能力,改善了细胞类型识别和合成数据生成.
• 这些发现支持FB模型在推进生物发现的自动化scRNAseq数据分析系统方面的潜力.